O que acontece quando os jatos se encontram com o plasma? – Spoiler: Magia Bayesiana

Tabela de hyperlinks

Resumo e 1. Introdução

2. Sistemas de vácuo

3. Efeitos médios

4. Conclusão e referências

1. Introdução

Jetscape é uma estrutura modular baseada em tarefas para simular todos os aspectos de colisões de íons pesados [1]. Primeiro nos preocupamos com o ajuste do Jetscape usando um romance Módulo Hadronization: Hybrid Hadronization [2, 3]. Este método primeiro usa a recombinação de Monte Carlo [4, 5] nos partons após o estágio do chuveiro e depois hadroniza o restante com o modelo Lund String [6]. Utilizamos a análise bayesiana para ajustar o Jetscape com híbrida híbrida com dados CMS e PHENIX em sistemas de próton-próton a vácuo. Embora o Jetscape se destina principalmente a calcular colisões de íons pesados, é necessária uma sólida linha de base a vácuo.

Em seguida, examinamos os efeitos médios na hadronização modelando como um único jato hadroniza usando um tijolo de plasma de gluon quark. A hetronização híbrida é única entre os modelos de hadronização para o chuveiro Monte Carlos, pois pode levar em consideração os efeitos médios na hadronização através da recombinação de parte do chuveiro com parte de partido térmico e, ao permitir que os partons térmicos se tornem parte de cordas que se conectam aos partons. Espera -se que a existência do meio e o fluxo do meio tenham efeitos pronunciados no estado remaining produzido. O fluxo médio, tanto na direção do jato quanto na transversal, deve fornecer efeitos de fluxo em jato mais suave.

2. Sistemas de vácuo

O processo de análise bayesiano começa com a criação de um conjunto inicial de pontos de design dentro de um espaço de parâmetros dado pelos intervalos anteriores para cada parâmetro. Nossa distribuição anterior de parâmetros é assumida plana no espaço dos parâmetros e usamos um hypercubo latino para gerar esses pontos. Eles serão usados ​​para executar o Jetscape. Um emulador de processo gaussiano é utilizado para gerar observáveis ​​entre os pontos de design no espaço de parâmetros. Os observáveis ​​produzidos são então comparados aos dados. Uma cadeia de Markov Monte Carlo determina novos conjuntos de pontos que melhoram a descrição. Esse processo é repetido até a convergência, dando -nos a distribuição posterior. As distribuições posteriores para o nosso conjunto de parâmetros são mostradas na Fig. 1, juntamente com as correlações entre pares de parâmetros. Os observáveis ​​para a distribuição posterior são mostrados na Fig. 2.